TextImage 文档图像增强：测试图片如何与文字标注对应

原始页面与标注基准

第一次制作带标注的 OCR 测试图片，先只处理一页、一个变换和一个输出版本。不要一开始就批量叠加模糊、透视和拍摄干扰，否则出现错位时难以判断是哪一步造成的。

准备自有或已获授权的页面及人工确认的原始标注，移除个人信息和不允许分发的内容。保留未修改原图，增强结果写入独立目录。本题只制作测试图像及对应标注，不展开扫描资料解析或识别文本抽检。

• 页面记录：原图文件名、页面 ID、宽高、方向、授权依据及文件校验值。
• 文字记录：稳定的区域 ID、原始文字、坐标类型、坐标单位及阅读顺序。
• 环境记录：Python 版本、实际使用的图像库与版本、变换配置和随机性记录方式。
• 输出约定：原图、原始标注、增强图、增强标注、对照预览和处理记录分别保存。

先统一页面方向，再建立标注。明确坐标原点是否位于左上角、横纵轴方向，以及使用像素还是归一化数值；不能只写一组数字而不写它的含义。

坐标约定与标注样例

下面是本文自行设计的数据格式，不是 TextImage 或 Albumentations 的官方字段。假设一张宽 1000、高 1400 像素的示意页面，在指定区域内放置“样本编号 A01”。实际项目必须在自己的原图上重新确认区域，不能把这组坐标直接套到任意页面。

{
  "page_id": "page_001",
  "image": "original/page_001.png",
  "width": 1000,
  "height": 1400,
  "coordinate_system": "pixel_edges_top_left",
  "regions": [
    {
      "id": "line_001",
      "text": "样本编号 A01",
      "polygon": [[100, 200], [400, 200], [400, 250], [100, 250]]
    }
  ]
}

本例约定坐标描述连续图像边界，横坐标范围为 0 到页面宽度，纵坐标范围为 0 到页面高度，四点依次沿区域边界排列。接入具体库时，应按其要求转换，不能将这一约定视为所有接口通用格式。

先把原始多边形画在原图副本上，检查是否覆盖目标文字、是否串到相邻行。只有基线叠加正确，后面的变换对照才有意义。

变换支持范围与应用流程

资料包中的 Hugging Face 官方博客索引收录了 Introducing TextImage Augmentation for Document Images，条目日期为 2024 年 8 月 6 日。这只确认研究线索存在，不能据此认定 TextImage 就是模糊或透视接口，也不能认定任何变换都会同步文字与坐标。

1. 按文章完整标题定位正文，确认实际使用的库、代码出处和依赖版本；若涉及 Albumentations，再核对安装版本对应的说明。
2. 逐个登记候选操作：是否支持图像、矩形框、关键点或多边形，输入输出坐标格式是什么，是否修改文字内容，以及如何处理越界区域。
3. 先选择一个已经确认支持的单项操作，记录具体参数和实际采样值。随机种子只能作为复现记录的一部分，不能代替版本及实际变换记录。
4. 图像和受支持标注应使用同一次采样的变换。不要分别调用两次随机操作来处理图像和坐标。
5. 变换后重新读取宽高，按区域 ID 关联文字和坐标，再生成叠加预览。缺少标注支持或输出对应关系时，停止该分支，不进入正式测试集。
6. 单项检查通过后，才考虑组合操作；记录组合顺序，并在每个中间阶段保留可检查结果。

这张表是实验组织示例，不是已确认的功能清单。当前资料不足以给出具体类名、默认参数、安装命令或可直接执行的增强配方；接口核验未完成时，可以先整理原图和标注，但不要宣称已完成库接入。

变换前后标注对照

每个候选样本准备四个视图：原图、原图加标注、增强图、增强图加新标注。检查字形时看无标注视图，检查坐标时看叠加视图；边框不要直接写进提交给识别工具的图片。

下面用手工演算说明对应关系，不代表任何库的运行结果。假设示例页面只做横向右移 20、纵向下移 10 像素的平移，且画布尺寸保持不变，原四点应变为 [[120,210],[420,210],[420,260],[120,260]]。这是平移算术示例，不是透视变换公式。

实际透视样本应逐点检查输出多边形，并特别查看页面边缘、小字和相邻行。若只能获得外接矩形，要在导出说明中写明表示方式；有文字被截断时，不应继续无条件保留原完整文字作为有效答案。

流程伪代码如下，其中每个动作都需要由已核对的实现完成，不对应某个官方函数：

读取原图与原始标注
确认坐标约定和当前操作支持的标注类型
采样一次变换并保存实际参数
将同一变换应用于图像与受支持的标注
按区域 ID 检查文字、坐标和保留状态
生成原图与增强图的叠加对照
人工审核后导出；不通过则隔离样本

标注异常与修正方法

发布前验收检查

建议按页面 ID 和变换 ID 建立文件对应关系，例如 original/page_001.png、labels/page_001.json、augmented/page_001_blur_01.png、labels/page_001_blur_01.json 和 previews/page_001_blur_01.png。这里仅展示命名规则，不表示这些文件已经生成。

以下清单用于发布前的完成检查。各项均通过且审核结论已记录，才将候选素材列为完成；存在未通过项时，保留为待修正样本，不作为已验收素材发布。

• 授权与隐私：原页面允许本次处理和计划中的分发方式，敏感内容已清理。
• 来源与接口：已补齐正文方法、实际库版本及标注支持核对记录，未将索引日期当作当前兼容性证明。
• 文字可读性：按实际输入分辨率查看，小字、标点和边缘区域符合本组样本的可读性要求。
• 坐标对应：叠加使用当前输出图片和当前标注，区域 ID、文字、顶点及阅读顺序逐项对应。
• 异常状态：截断、遮挡、不可读和区域删除均有明确记录，未静默丢弃或错误保留答案。
• 素材分离：识别输入图不包含人工边框，叠加预览单独保存。
• 复现信息：保存原图校验值、操作顺序、库版本、参数、实际随机变换记录和审核结论。
• 落盘复核：重新读取导出的图片与标注，确认尺寸、文件关联和叠加位置没有变化。
• 数据划分：同一原页的不同增强版本保持在同一数据划分中，避免跨训练与测试集合混入近似副本。

第一轮交付应至少包含一页基线及其标注、一项已核对操作产生的候选图、对应新标注和前后对照预览。现有资料尚不足以交付经过接口验证的素材集；下一步应补齐文章正文和当前库说明，再执行单页验证，审核通过后扩展到更多页面。